
초록
영역 일반화(Domain Generalization, DG)의 문제는 여러 훈련 영역에서 학습하고, 그 후 미지의 영역에 적용할 수 있는 영역 독립적인 모델을 추출하는 것입니다. DG는 목표 영역이 고유한 특성을 가지고 있지만 훈련용 데이터가 부족한 상황에서 명확한 동기를 제공합니다. 예를 들어 스케치 이미지 인식은 사진보다 훨씬 추상적이고 드물기 때문에 이러한 상황에 해당합니다. 그럼에도 불구하고 DG 방법론은 주로 영역의 고유성과 데이터 부족성이 최소화된 사진만을 대상으로 하는 벤치마크에서 평가되어 왔습니다. 이러한 벤치마크는 지나치게 간단하며, 단순한 딥러닝 기준모델들이 놀랍도록 잘 수행되는 것을 보여줍니다.본 논문에서는 두 가지 주요 기여를 합니다. 첫째, 딥러닝 방법론의 유리한 영역 변동에 대한 강건성을 활용하여 엔드투엔드(end-to-end) DG 학습을 위한 저계수 매개변수화 CNN 모델을 개발하였습니다. 둘째, 사진, 스케치, 카툰, 그리고 회화 영역을 포함하는 DG 벤치마크 데이터셋을 개발하였습니다. 이 데이터셋은 기존 벤치마크보다 실질적으로 더 관련성이 있으며(더 큰 영역 변동), 실험 결과 본 방법론이 기존 DG 대안들을 능가함을 보여주며, 본 데이터셋은 미래 연구를 촉진하기 위한 더 중요한 DG 도전 과제를 제공합니다.